sklearn: SVR无法泛化加法器函数
sklearn（Scikit-learn）是一个流行的Python机器学习库，提供了丰富的机器学习算法和工具，以帮助开发者快速构建和部署机器学习模型。
SVR（Support Vector Regression）是sklearn中的一个回归算法，它通过使用支持向量机的方法来进行回归分析。SVR的目标是通过找到一个最优的超平面来拟合数据，使得预测值与真实值之间的误差最小化。
无法泛化加法器函数是指SVR在处理某些特定的问题时，可能会面临无法良好泛化的情况。加法器函数是一种将输入映射到输出的函数，SVR在使用加法器函数时可能无法准确地拟合数据，导致模型在新的数据上表现不佳。
为了解决SVR无法泛化加法器函数的问题，可以考虑以下方法：
- 数据预处理：对数据进行归一化、标准化等预处理操作，以便提高SVR模型的泛化能力。
- 特征选择：通过选择合适的特征，减少输入空间的维度，有助于提高SVR模型的泛化能力。
- 超参数调优：调整SVR算法中的超参数，如核函数的选择、正则化参数C的设置等，以优化模型的性能。
- 交叉验证：使用交叉验证方法评估SVR模型的性能，并选择最优的模型参数配置。
在腾讯云的生态系统中，可以利用以下产品和服务来支持机器学习和云计算相关的工作：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）：提供了丰富的机器学习算法和模型训练、部署的能力，可以与sklearn等库结合使用。
- 腾讯云服务器（https://cloud.tencent.com/product/cvm）：提供高性能的云服务器实例，用于进行数据处理、模型训练等计算任务。
- 腾讯云数据库（https://cloud.tencent.com/product/cdb）：提供可靠稳定的云数据库服务，用于存储和管理数据。
- 腾讯云对象存储（https://cloud.tencent.com/product/cos）：提供高可靠、低成本的云存储服务，适用于存储和访问大规模的数据集。
总结起来，sklearn是一个流行的Python机器学习库，其中的SVR算法用于回归分析。然而，SVR在处理某些问题时可能无法良好泛化加法器函数，可以通过数据预处理、特征选择、超参数调优和交叉验证等方法来解决这个问题。腾讯云提供了一系列的产品和服务，如机器学习平台、云服务器、云数据库和对象存储等，以支持机器学习和云计算相关的工作。
相关·内容
我试图链接网格搜索和递归功能消除在一个管道使用scikit学习。
带有“裸”分类器的GridSearchCV和RFE工作得很好：
from sklearn.datasets import make_friedman1
from sklearn import feature_selection
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
est = SVR(k
浏览 0提问于2016-04-17得票数 17
回答已采纳
我在sklearn-糖尿病数据集上实现了一些ML算法，除了SVR之外，所有这些算法在测试子集上的R^2都约为0.45。然而，当我做SVR时，我在测试子集上得到了0.16的R^2分数。我想知道这是因为SVR对于数据集来说是一个糟糕的算法选择，还是因为我没有正确地实现它。我的程序如下： import pandas as pd
import numpy as np
import matplotlib as plt
from sklearn import model_selection
from sklearn.linear_model import LinearRegression
from sk
浏览 27提问于2020-10-05得票数 0
回答已采纳
2回答
SVR对象不可调用
、、、
我想使用sklearn SVR方法，但是当我编写SVR()函数时，它会抛出一个错误。上面写着SVR is not a callable。
我就是这么叫它的
from sklearn.svm import SVR
这是我得到错误的代码
svr_lin = SVR(kernel='linear', C=1e3)
svr_poli = SVR(kernel='poly', C=1e3, degree = 2)
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
这就是我遇到的错误：
预测错误(fechas，pr
浏览 0提问于2018-08-05得票数 1
回答已采纳
我无法在sklearn中导入LinearSVR。我做了以下工作
from sklearn.svm import LinearSVR
我可以很容易地导入SVR作为
from sklearn.svm import SVR
我的滑雪版是0.15.2
浏览 1提问于2015-04-08得票数 1
回答已采纳
我正在结合使用GridSearchCV和包含标准化的管道作为第一步。我发现，当使用.predict方法GridSearchCV对测试数据集进行预测时，结果与手动实现管道步骤时的结果不同。我在下面创建了我的脚本的简化版本，以显示发现的错误不同。为了简单起见，搜索空间每个参数只包含一个值。
我知道这里的差别很小。但在我的原始代码中，这种差异要大得多。因此，我试图了解是什么导致了这两种方法的区别。
初始化数据
import random
import numpy as np
from sklearn.metrics import mean_absolute_error
from sklearn.m
浏览 2提问于2020-11-03得票数 2
回答已采纳
我开发了下面的代码，用于启动svm方法的项目：
import numpy as np
import pandas as pd
from sklearn import svm
from sklearn.datasets import load_boston
from sklearn.metrics import mean_absolute_error
housing = load_boston()
df = pd.DataFrame(np.c_[housing['data'], housing['target']],
columns
浏览 2提问于2019-04-20得票数 0
回答已采纳
2回答
是否有一种方法可以访问在GridSearchCV进程中计算出来的预测值？
我希望能够根据它们的实际值(从测试/验证集)绘制预测的y值。
一旦网格搜索完成，我可以使用
ypred = grid.predict(xv)
但我希望能够绘制在网格搜索过程中计算出来的值。也许有一种方法可以把熊猫的数据保存下来？
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV, KFold,
cross_val_score, train_test_split
from s
浏览 0提问于2018-04-03得票数 6
回答已采纳
请在我的数据集上拟合svr，并收到此错误消息。当我没有包含标准的included时，它就可以工作了。我试了所有的办法，但还是不管用。
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
sc_y = StandardScaler()
X = sc_X.fit_transform(X)
y = sc_y.fit_transform(np.array(y).reshape(1,-1))
from sklearn.svm import SVR
regressor = SVR(kernel = 'r
浏览 0提问于2020-04-05得票数 0
让我们考虑一个多元回归问题(2个响应变量:纬度和经度)。目前，一些机器学习模型的实现，如支持向量回归sklearn.svm.SVR，目前并不提供对多元回归的天真支持。因此，可以使用sklearn.multioutput.MultiOutputRegressor。
示例：
from sklearn.multioutput import MultiOutputRegressor
svr_multi = MultiOutputRegressor(SVR(),n_jobs=-1)
#Fit the algorithm on the data
svr_multi.fit(X_train, y_trai
浏览 0提问于2017-04-21得票数 26
3回答
当我对大小为(952,144)的数据矩阵X和大小为(952)的输出向量y使用以下代码时，mean_squared_error度量返回负值，这是意外的。你有什么想法吗？
from sklearn.svm import SVR
from sklearn import cross_validation as CV
reg = SVR(C=1., epsilon=0.1, kernel='rbf')
scores = CV.cross_val_score(reg, X, y, cv=10, scoring='mean_squared_error')
然后，scores
浏览 1提问于2014-01-30得票数 59
回答已采纳
1回答
我在一个大型数据集上运行nu-SVR模型，我使用sklearn，但训练花费了太多时间，我甚至没有使用网格搜索来寻找最佳参数，我修复了C和nu参数。
clf = NuSVR(kernel="rbf",C=15.0, nu=0.3)
有没有加速训练的方法？
浏览 33提问于2017-12-14得票数 0
1回答
我想用SVR来描述特性的重要性，但我不知道支持向量回归是否可能，这是我的代码。
from sklearn.svm import SVR
C=1e3
svr_lin = SVR(kernel="linear", C=C)
y_lin = svr_lin.fit(X,Y).predict(X)
scores = cross_val_score(svr_lin, X, Y, cv = 5)
print(scores)
print(scores.mean())
print(scores.std())
浏览 36提问于2021-12-23得票数 3
回答已采纳
当支持向量回归模型(SVR)嵌入到管道和网格搜索中时，我在scikit learn中访问该模型的系数时遇到了问题。考虑以下示例：
from sklearn.datasets import load_iris
import numpy as np
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.pipeline import Pipeline
iris = load_iri
浏览 0提问于2016-11-13得票数 2
1回答
一次提问:我正在尝试构建一个Multiputput堆栈Regressor (添加到sklearn 0.22中)。据我所知，我必须将StackingRegressor和MultiOutputRegressor结合起来。经过几次调整后，这似乎是正确的顺序：
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import OrthogonalMatchingPursuit
from sklearn.ensemble import StackingRegres
浏览 4提问于2020-02-24得票数 3
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer()
vector = vectorizer.fit_transform(X_train).toarray()
print(vector.shape)
print(type(vector))
print(vector)
vector
这使类'numpy.ndarray‘具有形状(97,370)。
from sklearn.svm import SVR
from sklearn.model_selectio
浏览 0提问于2020-01-19得票数 0
回答已采纳
1回答
我正在尝试从我抓取的数据集中预测一些价格。为此，我从未使用过Python (我通常使用tidyverse，但这次我想探索pipeline。下面是代码片段： import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.svm imp
浏览 25提问于2020-12-10得票数 2
回答已采纳
1回答
我正在使用Python中的scikitlearn创建一些模型，同时尝试不同的内核。我惊讶地看到rbf在一秒钟内就适应了，而线性花了一分钟，多花了几个小时。有人能解释为什么要帮我吗？
我的代码：
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
from sklearn.metrics
import mean_squared_error, r2_score
f = open(datafile)
X = np.empty([0,1], dtype = int)
y = np.array([
浏览 0提问于2019-06-22得票数 1
2回答
sklearn提供了两种基于支持向量机的回归方法，即SVR和NuSVR。后者声称正在使用libsvm。但是，除此之外，我没有看到任何关于什么时候使用什么的描述。有谁有主意吗？我试图做3米X21矩阵的回归使用5倍交叉验证使用SVR，但它是永远完成。我已经中止了这项工作，现在我正在考虑使用NuSVR。但我不知道它有什么优势。
NuSVR - SVR -
浏览 3提问于2013-12-10得票数 2
回答已采纳
1回答
尝试为多个输出执行SVR。从对我有用的超参数调优开始。现在我想使用最优的参数来创建模型，但是我得到了一个错误。怎么解决这个问题？
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.multioutput import MultiOutputRegressor
svr = SVR()
svr_regr = MultiOutputRegressor(svr)
from sklearn.model_selection import KFold
kfold_splitt
浏览 11提问于2022-08-18得票数 1
回答已采纳
我看到了很多关于支持向量机速度的问题，但是对于训练和预测的区别却没有。下面是该模型的代码：
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.compose import TransformedTargetRegressor
from sklearn.ensemble import BaggingRegressor
svr = SVR(C=1e-1, epsilon=0.1, tol=1
浏览 20提问于2022-05-23得票数 2
回答已采纳
1回答
我目前正在测试支持向量回归(SVR)，以解决具有两个输出的回归问题。这意味着对于每个样本，Y_train_data都有两个值。由于SVR只能产生单个输出，因此我使用中的MultiOutputRegressor。
from sklearn.svm import SVR
from sklearn.multioutput import MultiOutputRegressor
svr_reg = MultiOutputRegressor(SVR(kernel=_kernel, C=_C, gamma=_gamma, degree=_degree, coef0=_coef0))
sv
浏览 0提问于2018-12-10得票数 6
3回答
我得到的错误是
"ValueError:预期的2D数组，得到1D数组: array= 45000. 50000. 60000. 80000. 110000. 150000. 200000. 300000. 500000.使用array.reshape(-1，1) (如果数据具有单个特性)或array.reshape(1，-1) (如果包含单个样本)对数据进行整形。“
在执行以下代码时：
# SVR
# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas
浏览 1提问于2018-10-24得票数 5
回答已采纳
1回答
我在使用RBF内核来学习SVR (回归)。我想知道这个推论是怎么做的。我认为它是支持向量，函数均值和伽马的函数，但是它似乎遗漏了一个方面(可能是基于两个点有多近的尺度。
下面是我在图中尝试过的“我的方程”。
out = mean
for vect in vectors:
out = out + (vect.y - mean) * math.exp(-(vect.x - x) ** 2 * gamma)
当我只做了两个点的间隔，我的方程与skLearn报告的svr.predict相匹配。
在3个训练点和2个相近点的情况下，我的公式与svr.predict给出的公式不匹配：
浏览 1提问于2022-05-28得票数 0
回答已采纳
1回答
对于超参数调优，我使用来自package sklearn的函数sklearn。我测试的一些模型需要特征缩放(例如支持向量回归- SVR)。最近，在Udemy课程机器学习A-Z™：中，教员提到对于SVR，目标也应该进行缩放(如果不是二进制的话)。考虑到这一点，我想知道在GridSearchCV执行的交叉验证过程的每一次迭代中，目标是否也是缩放的，或者是否只缩放了这些特性。请参阅下面的代码，该代码说明了我用于对需要对培训集进行缩放的估计器进行超参数优化的正常过程：
from sklearn.pipeline import make_pipeline
from sklearn.preprocessi
浏览 1提问于2021-04-17得票数 2
回答已采纳
我是Tensorflow的新手，我想知道Tensorflow是否已经准备好使用SVR包，比如sklearn.svm.SVR在scikit中学习。还是我得自己建SVR？
浏览 3提问于2017-03-06得票数 2
1回答
预期的二维数组错误未得到解决
、、、、
我试着在dataset上使用我的机器学习模型，在这里我只有两列，而标准缩放它们，我得到了预期的错误2D数组，但得到了1。
以下是代码：
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# Importing the dataset
dataset = pd.read_csv('Position_Salaries.csv')
X = dataset.iloc[:, 1:2].values
y = dataset.iloc[:, 2].values
# Splitting the da
浏览 2提问于2018-01-26得票数 0
回答已采纳
我有以下代码来测试sklearn python库中一些最流行的ML算法：
import numpy as np
from sklearn import metrics, svm
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
浏览 1提问于2017-01-30得票数 90
回答已采纳
1回答
基于支持向量回归的时间序列预测
、、、、
我一直在尝试用Python语言实现支持向量回归的时间序列预测工具。我使用scikit-learn中的SVR模块进行非线性支持向量回归。但我对未来事件的预测有严重的问题。回归线很好地拟合了原始函数(来自已知数据)，但只要我想预测未来的步骤，它就会返回上一个已知步骤的值。
我的代码如下所示：
import numpy as np
from matplotlib import pyplot as plt
from sklearn.svm import SVR
X = np.arange(0,100)
Y = np.sin(X)
svr_rbf = SVR(kernel='rbf'
浏览 0提问于2013-04-03得票数 8
回答已采纳
1回答
其主要思想是根据输入特征预测2个目标输出。
输入特性已经使用sklearn中的Standardscaler()进行了缩放。X_train的大小为(19x6)，Y_train =(19x2)。X_test为(20x6)，Y_test = (20x2)
线性核和径向基函数核也利用GridsearchCV寻找最佳的C(线性)、γ和C (' rbf ')。
问题我在线性和径向基函数核上使用MultiOutputRegressor进行SVR，但是，预测的输出彼此非常相似(不完全是常数预测)，而且与y.的真实值相差甚远。
下面的是表示Y的真实值的散点图。第一张图片对应于第一个目标Y:,0的
浏览 10提问于2022-01-26得票数 0
我打算通过在随sklearn (sklearn.datasets.load_boston)附带的波士顿房价数据集上运行该支持向量回归包来测试它的实现。
在尝试了一段时间(尝试不同的正则化和管参数，随机化案例和交叉验证)，并且一直预测一条平行线之后，我现在对我失败的地方感到迷茫。更惊人的是，当我使用sklearn.datasets包(load_diabetes)附带的糖尿病数据集时，我得到了一个更好的预测。
以下是复制的代码：
import numpy as np
from sklearn.svm import SVR
from matplotlib import pyplot as plt
f
浏览 2提问于2013-01-29得票数 4
回答已采纳
在我的代码中，它抛出了一个运行时错误。在这里，我尝试对回归数据进行RFE拟合。
from sklearn.feature_selection import RFE
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import *
scaler = StandardScaler().fit(trainFeatures)
xscaled = scaler.transform(trainFeatures)
estim
浏览 0提问于2018-10-16得票数 1
1回答
我正在尝试为一个应用程序构建一个模型，我使用了来自sklearn的岭回归和SVR，尽管我试图保持参数相同，但它们看起来是不同的。
我在两个模型中都使用了正则化参数=1。(它们都有L2正则化)有一个额外的多核参数，我将其设置为零
数据是标准化的。
from sklearn.linear_model import Ridge
linear_ridge = Ridge(alpha=1.0) # L2 regularization
linear_ridge.fit(np.array(X_train) , np.array(y_train))
from sklearn import svm
mod
浏览 0提问于2021-02-08得票数 1
1回答
这是我的SVR学习加法函数(y=x1 + x2)： %reset -f
#Libs
from sklearn import svm;
#PROGRAMME ENTRY POINT==========================================================
#Data, addition
#Exp[I] = sum(Inp[I])
Inp = [[1,2],[3,4],[5,6],[7,8],[9,0]];
Exp = [ 3, 7, 11, 15, 9 ];
#Train
Model = svm.SVR(kernel=&#
浏览 12提问于2020-07-18得票数 0
回答已采纳
1回答
尝试对多输出进行SVR
、、、
因为SVR只支持一个输出，所以我尝试在我的模型上使用SVR，它有6个输入和19个输出，使用MultiOutputRegressor。
我从超参数调优开始。然而，我得到了下面的错误。如何修改代码以支持MultiOutputRegressor
from sklearn.svm import SVR
from sklearn.model_selection import RandomizedSearchCV
svr = SVR()
svr_regr = MultiOutputRegressor(svr)
from sklearn.model_selection import KFold
kfol
浏览 5提问于2022-08-18得票数 0
1回答
我创建了一个模型，并使用SVR(支持向量回归)算法将它保存在一个泡菜文件中。
import pickle
pickle.dump(model,open('carb patients data/Pickles/svr.pickle', 'wb'))
在jupyter笔记本中，它给出了一个错误
不能对_thread.RLock对象进行筛选
因此，我将jupyter文件转换为一个.py文件，并下载它并使用Python执行。然后它被保存在那个特定的位置。但是当我试图从另一本木星笔记本加载我的泡菜文件时，它会产生一个错误，
没有名为“sklearn.svm._classe
浏览 0提问于2020-03-08得票数 3
回答已采纳
我在sklearn中使用SVR运行了一些数据
from sklearn.svm import SVR
clf = SVR()
clf = clf.fit(train_X, train_y)
y_score3 = clf.predict(test_X)
predict3 = roc_auc_score(test_y, y_score3)
print ("SVR : %(first)s" % {'first':predict3} )
但是，控制台返回：
ValueError: bad input shape (4576, 5)
train_X和train_y无法获取
浏览 5提问于2016-08-23得票数 0
回答已采纳
dataset的包含年龄列的2500 rows和22 columns更多。我已经完成了SVR的所有过程。正在进行中。但我还是要面对一个错误。那是raise ValueError("bad input shape {0}".format(shape)), ValueError: bad input shape (977, 57)。我的输入是SupportVectorRefModel.fit(X_train, y_train)。我如何解决这个问题？
from sklearn.model_selection
import train_test_split
from sklearn
浏览 3提问于2020-05-19得票数 1
回答已采纳
1回答
我是机器学习的新手，我想知道在数据缩放时如何评估RMSE。我使用了加利福尼亚州的住房数据集，并使用SVR对其进行了训练： from sklearn.datasets import fetch_california_housing
housing = fetch_california_housing()
X = housing["data"]
y = housing["target"]
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test
浏览 43提问于2020-10-01得票数 0
回答已采纳
1回答
我试图使用在原子结构上应用ML。我的问题是，根据我使用的数据，我得到了非常不同的分数值，我怀疑我的模型有什么问题，任何建议都会很感激。我使用了dataset 。
这是我的代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import ase
from dscribe.descriptors import SOAP
from dscribe.descriptors import CoulombMatrix
from sklearn.model_selection import train_te
浏览 9提问于2022-07-16得票数 1
1回答
首先，我想说我在发帖之前搜索了很多，但是没有发现任何超过1.0 (100%)的得分。
所以首先我使用GridSearchCV来选择我的模型，但是我没有使用伽马参数，因为GridSearch被卡住了。这是我的代码：
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
svr = SVR()
param_grid = {'kernel':['linear','rbf','poly','sigmoid'], '
浏览 1提问于2016-11-20得票数 4
回答已采纳
1回答
假设我们有以下代码：
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression,Ridge,Lasso,ElasticNet
from sklearn.neighbors import KNeighborsRegressor
from sklearn.tree import DecisionTreeRegressor
from sklearn.svm import SVR
from sklearn.datasets import make_regression
from sk
浏览 3提问于2022-10-25得票数 0
回答已采纳
我正在为具有时间序列拆分的SVR设计执行grid-search。我的问题是网格搜索大约需要30+分钟，这太长了。我有一个由17,800位数据组成的大型数据集，但是，这个持续时间太长了。有什么办法可以缩短这段时间吗？我的代码是：
from sklearn.svm import SVR
from sklearn.model_selection import TimeSeriesSplit
from sklearn import svm
from sklearn.preprocessing import MinMaxScaler
from sklearn import preprocessing a
浏览 1提问于2018-07-05得票数 3
首先，在这个论坛上有一些问题和这个非常相似，但相信我，没有一个匹配的，所以请不要重复。
我遇到过使用scikit的sklearn的两种线性回归方法，我不能理解这两种方法之间的区别，特别是在第一个代码中有一个调用train_test_split()的方法，而在另一个代码中调用的是直接拟合方法。
我正在用多种资源学习，这个单一的问题让我非常困惑。
首先是使用SVR的
X = np.array(df.drop(['label'], 1))
X = preprocessing.scale(X)
y = np.array(df['label'])
X_train,
浏览 9提问于2017-10-27得票数 13
回答已采纳
3回答
我正在处理一个数据，并使用回归，如下所示：
from sklearn.svm import SVR
regressor = SVR(kernel = 'linear')
regressor.fit(trainX,trainY)
上述答覆如下：
SVR(C=1.0, cache_size=200, coef0=0.0, degree=3, epsilon=0.1, gamma='scale',
kernel='linear', max_iter=-1, shrinking=True, tol=0.001, verbose=False)
f
浏览 0提问于2021-02-18得票数 -2
回答已采纳
1回答
我正在尝试创建一个函数，使获取CSV文件的过程自动化，在特征和响应中对数据进行分割，对数据应用不同的模型(回归)，并根据诸如MAE、RSME等指标对它们进行评分。模型参数应该易于互换。这是我到目前为止所拥有的一点。
import numpy as np
import pandas as pd
def get_data(file_name):
data = pd.read_csv(file_name)
para = int(raw_input('Enter the no of parameters to be used '))
print(para)
param= []
浏览 0提问于2018-06-05得票数 0
回答已采纳
2回答
我有一个名为df的数据框架
import pandas as pd
df = pd.DataFrame({'p': [15-x for x in range(14)]
, 'x': [x for x in range(14)]})
df['y'] = 1000 * (10 / df['p'])
x仅用于绘图目的。我试图根据y值预测p值。我正在使用
from sklearn.svm import SVR
nlm = SVR(kernel='poly').fit(df[[
浏览 3提问于2020-07-17得票数 0
回答已采纳
我非常确定我已经安装了scikit learn，因为我已经在终端中尝试了pip install和Conda，并且得到了消息"# All requested packages already installed."，但是当我在Python3.7.1中运行我的代码时，我一直收到错误"ModuleNotFoundError: No module named 'sklearn'"
import csv
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as pl
浏览 2提问于2018-12-08得票数 1
我正在尝试使用s3fs将一个SVR模型(用sklearn创建)上传到S3存储桶中，但我收到一个错误消息"TypeError:需要一个类似字节的对象，而不是'SVR'“。有人能建议如何将SVR转换为正确的格式吗？ 我的代码是 model = SVR_model
fs = s3fs.S3FileSystem()
with fs.open('s3://bucket/SVR_model', 'wb') as f:
f.write(model)
浏览 26提问于2020-04-28得票数 0
1回答
我目前有两个数据集。其中一个给出了一个输出有理数，对应于不同的输入数字。另一个给出一个输出整数，它对应于相同的输入向量。数据看起来很像-
X (input) = 0, 5, 10, 15, 20, 25
Y1 (output 1) = 0.2, 0.4, 0.7, 1.1, 1.5, 1.9
Y2 (output 2) = 45, 47, 51, 60, 90, 100
虽然我已经成功地使用sklearn.svm中的SVR训练了两种不同的SVR模型，如下所示-
from sklearn.svm import SVR
regressor = SVR(kernel = 'rbf')
浏览 0提问于2020-06-23得票数 0
回答已采纳
2回答
用滑雪板训练不同的运动员
、、、、
我有一个及其输出值的列表。使用以下代码，我能够训练下列回归者：
线性回归
等张回归量
Baysian岭回归
梯度增强回归
守则：
import numpy as np
from sklearn.linear_model import LinearRegression, BayesianRidge
from sklearn.isotonic import IsotonicRegression
from sklearn import ensemble
from sklearn.svm import SVR
from sklearn.gaussian_process imp
浏览 2提问于2014-12-15得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
